Claude Code 作者说他不再写 prompt 了
文章介绍了 Claude Code 作者提出的“循环工程”（Loop Engineering）概念，即通过设计自动化的反馈循环，让 AI Agent 自主完成从执行到校验的全过程。核心在于从“写提示词”转变为“设计终止条件和校验机制”，详细拆解了触发器、执行层、校验器、停止规则等六个关键组件，强调了明确终态和范围约束的重要性。
相关文档
LOOP vs GRAPH vs HARNESS ENGINEERING
文章深入探讨了构建AI Agent系统的三个关键工程层面：Harness（环境）、Loop（反馈循环）和Graph（控制流）。文章指出，Agent失败往往源于系统设计而非模型本身，并详细阐述了如何通过构建持久化的运行环境、基于证据的验证循环以及显式的流程控制来提高Agent的可靠性。
Your .claude Folder Is Your AI Operating System
文章深入探讨了如何充分利用 Claude Code 的能力，指出真正的规模化不在于优化提示词，而在于构建围绕 Agent 的工程系统。核心内容包括利用 `.claude/` 目录建立持久化项目记忆、区分项目与个人配置、使用模块化规则替代巨型提示词、通过 Hooks 拦截危险操作、构建专用子代理以及配置权限边界。文章强调未来的开发将从“聊天”转向“编排”，通过环境设计来确保 AI 行为的一致性与安全性。
多智能体协作开源神器：涵盖266个AI Agent角色，20个部门
文章介绍了开源项目agency-agents-zh（GitHub 15.8k Stars），它为AI装上266个专业角色人格，覆盖工程、设计、市场、法务等20个部门。每个Agent以YAML文件定义身份、职责、风格和可用工具，适配Claude Code、Cursor、Copilot等18种AI工具。项目还提供orchestrator多智能体协调器，可将任务自动拆分并分配给对应Agent并行协作，输出完整方案。文章还展示了安装、自定义创建Agent及实际调用的代码示例。
Loop Engineering 实践：yetone 用 Claude Code 三循环自动化维护 Magpie
文章介绍开源开发者 yetone 使用 Claude Code 和 Opus 5.5 模型，通过三个 /loop 循环任务自动化维护 Magpie 项目的工作流。三个循环分别处理 GitHub issue/PR 与 Discord 反馈、推特用户反馈、代码清理与经验总结。作者强调需搭建真实多端验证环境、在提示词中明确边界情况、用便宜模型过滤无关信息、让 AI 总结教训，并在项目早期与 AI 讨论设计偏好。
How to automate SEO with Opus 5.5 (Full Course)
本文介绍如何使用 AI 智能体（特别是 Claude Code 与 Opus 5.5）自动化 SEO 与 AEO（AI 答案优化）工作流。作者强调转换率优先于搜索排名数据，随后提供三条路径：使用 AI 员工 Viktor 在 Slack 中自动化整个流程；从零开始用最简单的两页网站起步；以及在 Claude Code 中手动搭建完整系统，包括业务简报、状态文件、运行日志三个核心文件，并接入 Google Search Console、DataForSEO、Ahrefs、Firecrawl、PostHog 等工具，最终形成每周迭代优化页面排名与转化的循环机制。
8步构建真正协作的AI Agent团队（完整教程）
本文是使用Raft平台搭建多Agent协作团队的完整课程。作者指出多数人运行的只是'五个聊天窗口加一个人肉中转'，真正的瓶颈在于Agent之间无法共享上下文。文章分8步讲解：创建统一的服务器工作区、连接本地计算机运行时（如Claude Code、Codex CLI、OpenCode等）、将Agent作为持久身份的角色而非一次性提示来创建、通过共享任务看板进行工作交接与认领，以及跨公司Agent协作等内容。Raft让Agent像Slack成员一样拥有记忆、状态和专长，可并行工作、互相交接和审查输出，且运行在用户自己的硬件上复用已有的AI订阅。
How to Build Your First AI Agent Team With Claude Code in 30 Minutes
本文介绍了如何在30分钟内使用Claude Code构建一个由三个专业智能体（规划者、执行者、审查者）组成的AI智能体团队。文章详细阐述了团队协作优于单一智能体的原因，并提供了从定义目标、设计角色、配置CLAUDE.md到创建和运行智能体团队的分步指南。通过并行工作和独立审查，该团队能提高任务执行的质量和效率，减少用户的来回干预。
Claude循环工程：如何构建自动化Agent
本文探讨了“循环工程（Loop Engineering）”的概念，即从人工提示Agent转变为构建自动提示Agent的系统。文章追溯了其起源，并将之置于提示、上下文、测试床之上，作为自动化运行的最高层。作者详细拆解了循环系统的五个核心组件：触发器、任务、验证门、状态文件和停止条件。最后，文章介绍了Claude Code中四种循环类型及其应用场景，强调通过客观的评估器和状态持久化来实现夜间无人值守的自动化开发任务。
Loop Engineering：如何构建能自我改进的AI智能体
本文探讨了从手动提示AI向“循环工程”转变的新一代工作流。作者指出，真正的循环工程依赖于廉价的长上下文模型来控制Token成本。文章详细对比了旧的手动工作流与新的自动化循环工作流，并深入剖析了单智能体循环与舰队循环（多智能体协同）的区别。同时，强调了在实际应用中应优先采用边界清晰、易于控制的闭环。最后，拆解了构建高效循环系统的六个核心基石：自动化、工作树、技能复用、外部插件、子智能体和检查器，帮助开发者打造可自我迭代和修复的AI系统。
上下文工程：取代提示词工程的Karpathy-Cherny方法
本文探讨了AI领域中从提示词工程向上下文工程的演进。引用Karpathy的Software 3.0理念，指出上下文窗口即新程序，通过写入、选择、压缩和隔离四大操作管理模型记忆以避免上下文腐化。结合Claude Code创建者Cherny的循环工程理念，说明通过构建包含技能、子代理和验证器的自动化循环，可实现高效上下文工程，将AI从简单工具升级为强大的操作系统。
Agent Harness Engineering vs Loop Engineering vs Graph Engineering
文章深入剖析了AI智能体系统中的三个常被混淆的核心工程层级：Harness工程构建模型环境，Loop工程设计反馈循环，Graph工程明确工作流拓扑。区分这三层对于构建可靠的AI系统至关重要。
我在 Pi 中重建了整个 Claude Code 设置
本文介绍了什么是“Harness Engineering”（约束工程），即通过配置模型周边的工具、指令和记忆来提升 AI 输出质量。作者详细演示了如何将 Claude Code 的配置迁移至名为 Pi 的工具，重点包括利用文件管理 Prompt、迁移 Skills、自定义系统提示以及实现记忆功能，从而实现模型的无缝切换和完全控制。
